特征工程-降维
来源:互联网 发布:单片机开发板有什么用 编辑:程序博客网 时间:2024/06/09 21:31
降维
我们发现机器学习中最有趣的挑战往往会包含一些特征工程的内容。我们通过对问题本身的理解,小心谨慎的构造出一些特征,希望机器学习算法可以采纳。本次分享走相反的路线,降维—把无关或冗余的特征删掉。
降维的原因:
- 多余的特征会影响或误导学习器。并不是所有的机器学习方法都有这种情况(例如,支持向量机就喜欢高维空间),但大多数模型在维度较小的情况下比较安全。
- 另一个反对高维特征空间的理由是,更多特征意味着更多参数需要调整,过拟合的风险也越大。
- 我们用来解决问题的数据的维度可能只是虚高,真实维度可能比较小。
- 维度越少意味着训练越快,更多东西可以尝试,能够得到更好的结果。
- 如果我们想要可视化数据,就必须限制在两个或三个维度上;这就是所谓的数据可视化。
降维的目标:
对输入的数目进行削减,由此剔除数据中的噪声并提高机器学习方法的性能。
降维方法
大致分为特征选择法和特征提取法。
我们将展示利用统计方法(叫做相关性和互信息量)在大特征空间中进行特征选择的方式。
特征抽取试图将原始特征空间转换为一个低维特征空间。我们将使用主成分分析(principal Component Analysis, PCA)、线性判别式分析(Linear Discriminant Analysis, LDA) 和多维标度法(Multidimensional Scaling, MDS)。
主成分分析
按照数据方差最大方向调整数据。
奇异值分解
矩阵分解技术中的一种, 通过对原始数据的逼近来达到降维的目的。
本博文内容参考《Building Machine Learning Systems with Python》
0 0
- 特征工程-降维
- 特征工程(5)--降维
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 特征工程
- 图像中求点到直线的距离
- 寻找自己的核心竞争力
- 【leetcode】 46. Permutations ,python实现
- JAVA使用Calendar操作Date
- Qt5打印功能示例代码
- 特征工程-降维
- 创建存储过程
- AssetBundle.CreateFromFile使用时注意事项
- MFC自定义消息
- Html5 获取手机短信号码
- TCP/IP详解——概述
- golang 中AES加密详解
- Struts与Spring整合实现用户登录
- ruby 文件操作